机器学习在交易中的应用：从特征到预测

监督学习 的核心套路

输入特征 X → 模型 f → 输出预测 Y

例：用过去 5 天的收益率、成交量、波动率（X）预测明天涨跌（Y）。

最常用的算法：

• 线性回归 / Logistic 回归：简单可解释
• 随机森林（Random Forest）：稳健、能处理非线性
• 梯度提升树（XGBoost / LightGBM）：金融领域最常用
• 神经网络：高维数据、图像/文本

在表格类金融数据上，梯度提升树通常优于神经网络——这是反直觉但被多次实证的事实。

特征工程（Feature Engineering）：模型的命脉

特征 = 你喂给模型的"线索"。好的特征比复杂的算法更重要。

金融领域常见特征类别：

训练 / 验证 / 测试集划分

机器学习的核心纪律：绝对不要用同一份数据训练 + 评估。

金融数据的特殊规则：

• 时间序列必须按时间切分——绝不能随机抽样
• 训练集（如 2015–2020）→ 验证集（2021）→ 测试集（2022–2024）
• 用滚动窗口（Walk-Forward）验证更接近实盘

为什么？因为随机切分会让"未来数据"泄漏到训练集——这就是臭名昭著的未来函数（Look-Ahead Bias）。

评估指标：不是准确率，而是收益率

新手最常见误区：用分类准确率评估交易模型。

问题：80% 准确率听起来很好——但如果模型只在小波动时正确、大波动时错误，实盘可能亏钱。

应该看的指标：

• 夏普比率（Sharpe Ratio）：风险调整后收益
• 最大回撤（Max Drawdown）：最痛的一段下跌
• 胜率 × 平均盈亏比：交易经济学的本质
• 信息系数（IC）：预测值与实际收益的相关性

工具与环境

入门工具栈（完全免费）：

• Python + Jupyter
• pandas / NumPy：数据处理
• scikit-learn：经典 ML 算法
• PyTorch / TensorFlow：深度学习
• Yahoo Finance API（yfinance）：免费历史数据

进阶：QuantConnect 等开源回测平台。

最常见的三个坑

1. 过拟合（Overfitting）
模型记住了训练数据的噪声，验证集表现立刻崩盘。这是 ML 交易第一杀手。

2. 数据泄漏（Data Leakage）
未来信息以微妙方式渗入特征——比如用了"前向调整"的价格而忘了它是事后才知的。

3. 样本量不足
日级数据 10 年只有 ~2,500 个样本。复杂模型需要远多于此的数据才不会过拟合。

重要问题

深度学习一定比传统 ML 好吗？
不一定。在金融表格数据上，梯度提升树常常打败深度学习。深度学习的优势在文本、图像、时间序列结构特别复杂时才显现。

我能用免费数据搭一个能赚钱的模型吗？
能搭出"看起来能赚钱"的模型——绝大多数都是过拟合。真实盈利模型需要：高质量数据 + 严谨方法论 + 大量算力 + 风险管理。

模型每月需要重训吗？
取决于市场状态变化速度。高频策略可能每天重训；中低频策略每月或每季度。过于频繁的重训本身也可能引入新的过拟合。

答题

Q1. 金融时序数据的训练 / 测试集应该如何切分？
A. 随机抽样　B. 严格按时间顺序切分，未来数据绝不能在训练集
C. 按地区　D. 按行业

Q2. ML 交易第一杀手是？
A. 算力不足　B. 过拟合（Overfitting）
C. 网速慢　D. 软件 bug

Q3. 评估交易模型应该看？
A. 仅看分类准确率　B. 夏普比率、最大回撤、信息系数等综合指标
C. 只看胜率　D. 只看总收益

参考答案

Q1: B　Q2: B　Q3: B

延伸阅读：Wikipedia: Supervised Learning　·　Wikipedia: Overfitting　·　scikit-learn 官方文档　·　Investopedia: Sharpe Ratio

本内容仅用于教育目的，不构成投资建议。机器学习模型的历史表现不代表未来表现。